Qursor は、任意のUI要素を指すことでその正確なコンテキストをAIアシスタントに送信できる革新的なツールです。Product Hunt でローンチされました。

本記事は、AIエージェントを手動でプロンプトするのではなく、自動ループを設計するという新たなトレンドを探ります。AnthropicのFable 5リリースとその論争、自動化されたAI研究システム、データインフラのボトルネック、推論速度の最適化、そしてエージェントツールの最近の進展をカバーしています。

Sparse2Actは、タスク空間のエンドエフェクタ動作を幾何学的な監督として用い、スパース点群エンコーダを観測と整列させる事前学習フレームワークである。LIBERO-10で86.9%の成功率、Meta-World-5へのクロスドメイン転移で73.4%、実世界実験で72.5%の成功率を達成。

EquiDexFlowは、物体点群から手首姿勢、関節角度、指先接触、表面法線、接触力を同時に予測するSE(3)等変フローマッチングモデルである。接触点の物体表面への投影とクーロン摩擦錐への力の投影をアーキテクチャ上で保証し、損失ペナルティに頼らず摩擦遵守を実現する。摩擦違反ゼロを達成し、実機ロボットでの把持保持実験にも成功している。

EWAMは、凍結されたCosmos3バックボーンネットワーク上に構築された閉ループオンライン適応アーキテクチャであり、推論時共推論メカニズム（4つの軽量ニューラルレイヤー）を用いてゼロショットタスク適応を実現し、追加のデモデータや微調整なしで新しいタスクレイアウトへの適応に必要なデプロイデータ量を大幅に削減します。

本論文は、エージェントが注意力半径を動的に調整することで計算リソースを削減し、意思決定性能を維持するDARRMSアルゴリズムを提案する。

EgoEngineは、一人称視点のRGB動画を高忠実度のロボット観測動画と実行可能なロボット動作軌道に変換するスケーラブルなフレームワークであり、実機ロボットの実演なしに人間動画からゼロショットで視覚運動による器用な方策学習を初めて実現したと報告している。

研究者らは、単眼RGBカメラのみを使用するマップレスナビゲーションポリシーFlowPilotを提案した。アンカーフローマッチングによる事前学習と人間選好学習による微調整により、長距離歩道ナビゲーションの堅牢性と社会的遵守性を大幅に向上させた。

本論文は、高忠実度環境における計画の実行時性能と知覚・計画間の時間的統合という二つのボトルネックを解決するGPU加速フレームワークG-MAPPを提案する。実験ではCPU版比で最大5倍の高速化を達成し、7自由度Franka Emikaロボットでの衝突回避に成功した。

Foresightは、微調整されたVLMが画像空間の動作計画と批評を交互に行い、人間のフィードバックから学習した報酬モデルで強化学習の後訓練を行うテスト時フレームワークであり、実環境でタスク成功率を37%向上させ、介入を52%削減した。

研究者らは、視覚-行動履歴からコンパクトな時間表現を学習するAEM（Action-Effect Memory）事前学習フレームワークを提案する。視覚特徴と行動特徴を交互に配置し、マスク付きモデリングを適用することで、行動条件付きの状態発展を学習する。最終視覚トークンのMamba符号化出力を単一ベクトルの履歴ボトルネックとして用い、Diffusion PolicyやFlow Policyのグローバル文脈を提供する。シミュレーションと実世界の両方で、整然とした場面、混雑した場面、非マルコフ的タスクにおいて性能を一貫して向上させ、推論遅延と計算コストを削減する。

新研究は、模倣学習でエンドツーエンドに訓練された視覚-言語-行動（VLA）モデルが暗黙的な人間-ロボット協調を支援できることを示し、アクションチャンキングに起因する失敗モードを特定し、推論時のステアリング手法を提案した。16名の参加者による長期的な組立タスクのユーザー研究では、より速く失敗の少ない協調が実現した。

VLADriveBenchは、視覚-言語-行動（VLA）モデルにおけるチェーン・オブ・ソート（CoT）推論が運転軌跡と関連性、一貫性、因果関係を持つかどうかを評価する新しいフレームワークです。観測指標（言及、幻覚、矛盾、行動アライメント）とCoT介入プロトコルを組み合わせています。3つのモデルに適用した結果、観測分析と因果分析が大きく乖離する可能性があることが判明しました。ORIONは観測アライメントで最高スコアを示しましたが、そのCoTは随伴現象であり、一方Alpamayo v1.5はスコアが低いもののCoTは強く因果的であり、視覚的顕著性がCoTの影響の程度を調整していました。

研究チームは、AI生成画像における顕著なアーティファクトの細粒度理解を評価する診断ベンチマークSalArt-VQAを発表した。950枚の画像と3,681問の人手作成多肢選択問題で構成され、20のVLMを評価した結果、最高性能モデルは検出再現率99.37%に達する一方、4種類のアーティファクト側問題すべてに正答した画像は53.26%にとどまり、画像レベルの精度では見えない失敗が明らかになった。

本論文では、オープンエンド画像テキスト生成におけるインクリメンタル学習のための効率的継続的アライメント（ECA）を提案する。継続的アライメントの概念と3つのコアメカニズム（クエリ混合モジュール、フィッシャー動的拡張、辞書リプレイ）により、ECAは過去のデータにアクセスせずに破滅的忘却を軽減し、新しいベンチマークで優れた性能を達成する。

本論文は、局所および大域アテンションモジュールを用いて共起物体検出を強化するContext-Centric Feature Fusion（CCFF）フレームワークを提案し、CityscapesとBDD100Kで関係一貫性、小物体検出、希少クラス回復の大幅な改善を達成した。

既存のスロットベースの手法では、単一のスロットベクトルに外観と同一性をエンコードするため、スロットスワッピングが発生する。提案するデュアルステートスロットアテンション（DSSA）は、各スロットを局所状態（フレームごとの外観）と同一性状態（時間的に安定したオブジェクト情報）に分解し、競争変調集約（CMA）を用いて弱一致スロットの更新を抑制する。実験では、MOVi-C、MOVi-D、YouTube-VISにおいて、セグメンテーション品質と時間的一貫性が向上した。

医療用LVLMは事実の一貫性や視覚的根拠付けに課題がある。既存のアライメント手法は、シーケンスレベルの報酬、静的SFT参照への依存による分布シフト、視覚的根拠付けの欠如という3つの限界がある。提案手法は、双方向トークンワイズKL正則化器と視覚対比的根拠付け目的を用い、モデル出力を最小限編集して選好ペアを構築する細粒度オン・ポリシーアライメントフレームワークを形成する。実験で有効性を確認した。

少数ステップ拡散蒸留は4〜8ステップ生成では成熟しつつあるが、2ステップへのさらなる短縮は依然として困難である。本論文では、8ステップのZ-Image Turbo教師モデルから蒸留された高品質2ステップ画像生成モデルZ-Image Turbo++を紹介する。分布整合敵対的学習、ステップ分離パラメータ化、反復正則化付きエンドツーエンドトレーニングの3つの設計により、2ステップと8ステップ生成の品質差を大幅に縮小する。

HairPortは、髪型の除去と転送を明示的に分離し、合成前に幾何学的整合性を強制することで、大きな姿勢・スケール差に対応する3D認識型髪型転送フレームワークである。FLUX.1 KontextのLoRAベースのインコンテキスト適応によるBald Converter、6,000組のBaldyデータセット、条件付きフローマッチング生成器を備え、既存手法を上回る性能を実現した。SIGGRAPH 2026に採択。

本論文では、AMD Kria K26 SOM上で動作する低消費電力・携帯可能なビジョンベース転倒予測・検出システムを提案する。Intel RealSense D455カメラと3段階パイプライン（量子化YOLOX、A2J、CNN）を用い、エッジデバイス上でリアルタイムかつプライバシー保護された転倒検出を実現。マルチスレッド最適化によりフレームレートは4.5 FPS、分類精度は75.85%を達成した。

本論文は、形態論的な語幹と屈折の交替の出現をマルチエージェントシミュレーションで研究し、大規模言語モデル駆動の「AI歴史言語学者」を導入してシミュレーション形態の現実性を評価する。スケールフリーネットワークとランダムなベルヌーイ採用がより妥当な形態を促進することが示された。

AfriSUDは、SUDフレームワークを用いた9つの多様なアフリカ言語の依存構造木バンクの初の大規模コレクションであり、コミュニティ主導で母語話者が検証したデータを含む。品詞タグ付けと依存構造解析の評価では、多言語エンコーダやLLMを含むモデル間に顕著な構文ギャップがあることが明らかになった。

潜在推論モデル（LRM）における観察可能なパターン（BFS的フロンティアやデコード可能な算術計算など）が、制御モデルでも出現し、必ずしも行動に因果的影響を与えないことが示された。因果的介入により、潜在思考の利用は段階的であり、幾何学的解析では効果が低ランク方向に集中することが明らかに。観察可能なパターンだけでは内部推論メカニズムの証拠とはならず、LRMの解釈可能性には適切な制御群と因果テストが必要である。

新たな研究が、ドメイン適応事前学習と階層的分类により、アラビア語ソーシャルメディアテキストからのメンタルヘルス障害検出を大幅に改善する2段階フレームワークを提案し、50,670件のツイートからなる新規注釈付きデータセットを公開した。

研究者らは、525のショッピングミッションと10,863の重要度加重ルーブリックからなる専門家作成のベンチマーク「Shopping Reasoning Bench」を発表した。9モデルの評価では全体の合格率が57～77%にとどまり、現行モデルが専門家レベルのショッピング助言に達していないことが明らかになった。

本論文は「制約付き意味圧縮解除」タスクを提唱し、ペルシャのことわざを用いた物語生成でLLMの抽象から具体への変換能力を評価。表面流暢性は高いが道徳的・因果的構造の忠実な具体化に失敗する「圧縮解除ギャップ」を明らかにした。

本論文では、メカニズムレベルの薬物間相互作用（DDI）予測のための再現可能なラベリング・評価プロトコルを提案する。7ファミリー147サブタイプの分類法とリークセーフなコールドスプリット戦略を特徴とする。また、シングルトークンKLダイバージェンス、PRM加重DPO、メカニズム認識検索チャネルという3つの訓練革新を組み合わせたMARD-7Bモデルを開発。2026年4月のDrugBankリリースにおいて、MARD-7Bは32システム中で薬物対の新規性下でも精度を維持した唯一のシステムであり、最良ベースラインを13.9ポイント、GPT-4oを6.7ポイント上回り、コストはフロンティアAPIの約1%である。反記憶化シグネチャは、モデルが稀な薬物でも精度を向上させることを示し、その利得は薬物頻度の記憶ではなく構造化された薬理学的推論に由来することを示唆している。

EDEN（Emergency Department Electronic Notes）は、イタリアの病院救急部門で作成された約400万件の完全匿名化された臨床ノートからなる新たな大規模コーパスです。そのうち約6000件のノートは、呼吸困難と意識消失の2つの患者状況に関連する132項目について臨床専門家によって手動で注釈が付けられています。このデータセットは、イタリア語における最大の自由に利用可能な臨床ノートコーパスであり、医療応用における大規模言語モデルの開発と利用を支援することを目的としています。

COLM 2026 採択論文は、アダプタ干渉が線形パラメータ更新の重複に起因するという仮説を DoRA-RBAC フレームワークで検証した。幾何学を考慮したマージ戦略は標準平均に対して一貫した優位性を示さず、干渉は共有非線形表現の相互作用に由来する可能性が示唆された。